什么是集成学习？

最强大的机器学习技术之一是集成学习。集成学习是使用多种机器学习模型来提高预测的可靠性和准确性。然而，使用多个机器学习模型如何导致更准确的预测？使用什么样的技术来创建集成学习模型？我们将探索这些问题的答案，看看使用集成模型背后的基本原理以及创建集成模型的主要方法。

什么是集成学习？

简而言之，集成学习是训练多个机器学习模型并将它们的输出组合在一起的过程。不同的模型被用作创建一个最佳预测模型的基础。组合不同的个体机器学习模型可以提高整体模型的稳定性，从而实现更准确的预测。集成学习模型通常比单个模型更可靠，因此，它们经常在许多机器学习竞赛中排名第一。

工程师可以使用不同的技术来创建集成学习模型。简单的集成学习技术包括对不同模型的输出进行平均等，同时还开发了更复杂的方法和算法，专门用于将许多基础学习器/模型的预测结合在一起。

为什么使用集成训练方法？

由于各种原因，机器学习模型可能彼此不同。不同的机器学习模型可以对不同的人口数据样本进行操作，可以使用不同的建模技术，并且可以使用不同的假设。

想象一下，你正在和一大群人玩一个琐事游戏。如果你一个人在一个团队中，肯定会有一些你知道的主题和许多你不知道的主题。现在假设你正在和其他人一起玩。就像你一样，他们会对自己的专业有一些了解，而对其他主题一无所知。然而，当你的知识结合起来时，你对更多领域的猜测会更准确，你的团队缺乏知识的主题数量会减少。这与集成学习的原理相同，结合不同团队成员（个体模型）的预测来提高准确性并最大限度地减少错误。

统计学家已经证明，当一群人被要求用一系列可能的答案来猜测给定问题的正确答案时，他们的所有答案都会形成一个概率分布。真正知道正确答案的人会自信地选择正确答案，而选择错误答案的人会将他们的猜测分布在可能的错误答案范围内。回到问答游戏的例子，如果你和你的两个朋友知道正确答案是 A，那么你们三个人都会投票 A，而你团队中不知道答案的其他三个人很可能会猜错猜测 B、C、D 或 E。结果是 A 有 3 票，而其他答案可能最多只有一票或两票。

所有模型都有一定的误差。一个模型的误差将不同于另一个模型产生的误差，因为模型本身由于上述原因而不同。当检查所有错误时，它们不会聚集在一个或另一个答案周围，而是分散在周围。不正确的猜测基本上散布在所有可能的错误答案中，相互抵消。同时，来自不同模型的正确猜测将聚集在真实、正确的答案周围。当使用集成训练方法时，可以以更高的可靠性找到正确答案。

简单的集成训练方法

简单的集成训练方法通常只涉及统计汇总技术的应用，例如确定一组预测的众数、平均值或加权平均值。

众数是指一组数字中出现频率最高的元素。为了获得该模式，各个学习模型返回他们的预测，这些预测被认为是对最终预测的投票。简单地通过计算预测的算术平均值来确定预测的平均值，四舍五入到最接近的整数。最后，可以通过为用于创建预测的模型分配不同的权重来计算加权平均值，权重代表该模型的感知重要性。类别预测的数值表示与从 0 到 1.0 的权重相乘，然后将各个加权预测相加，并将结果四舍五入到最接近的整数。

高级合奏训练方法

有三种主要的高级集成训练技术，每一种都旨在处理特定类型的机器学习问题。“装袋”技术用于减少模型预测的方差，方差是指基于相同观察时预测结果的差异程度。“提升”技术用于对抗模型的偏差。最后，“堆叠”通常用于改进预测。

集成学习方法本身通常可以分为两个不同的组之一：顺序方法和并行集成方法。

顺序集成方法之所以称为“顺序”，是因为基础学习器/模型是顺序生成的。在顺序方法的情况下，基本思想是利用基础学习器之间的依赖性以获得更准确的预测。错误标记的示例调整其权重，而正确标记的示例保持相同的权重。每次生成新的学习器时，权重都会发生变化，并且准确性（希望）会提高。

与顺序集成模型相比，并行集成方法并行生成基础学习器。在进行并行集成学习时，其想法是利用基础学习器具有独立性的事实，因为可以通过平均各个学习器的预测来降低一般错误率。

集成训练方法本质上可以是同质的，也可以是异质的。大多数集成学习方法是同质的，这意味着它们使用单​​一类型的基础学习模型/算法。相比之下，异构集成使用不同的学习算法，使学习者多样化和变化，以确保尽可能高的准确性。

集成学习算法示例

集成增强的可视化。照片：Sirakorn，来自 Wikimedia Commons，CC BY SA 4.0

顺序集成方法的示例包括AdaBoost、XGBoost和梯度树提升。这些都是助推模型。对于这些提升模型，目标是将弱的、表现不佳的学习者转化为更强大的学习者。像 AdaBoost 和 XGBoost 这样的模型从许多弱学习器开始，这些学习器的性能仅比随机猜测好一点。随着训练的继续，权重将应用于数据并进行调整。在前几轮训练中被学习者错误分类的实例被赋予更多的权重。在针对所需数量的训练轮重复此过程后，通过加权和（用于回归任务）和加权投票（用于分类任务）将预测连接在一起。

bagging 学习过程。照片：SeattleDataGuy 来自 Wikimedia Commons，CC BY SA 4.0

并行集成模型的一个例子是随机森林分类器，随机森林也是装袋技术的一个例子。术语“bagging”来自“bootstrap aggregation”。样本是使用称为“引导抽样”的抽样技术从总数据集中抽取的，基础学习者使用该技术进行预测。对于分类任务，基本模型的输出使用投票聚合，而回归任务则将它们平均在一起。随机森林使用单个决策树作为其基础学习器，并且集成中的每棵树都是使用数据集中的不同样本构建的。特征的随机子集也用于生成树。导致高度随机化的个体决策树，它们全部组合在一起以提供可靠的预测。

集成堆叠的可视化。照片：Supun Setunga 来自 Wikimedia Commons，CC BY SA 4.0

在堆叠集成技术方面，多个回归或分类模型通过更高级别的元模型组合在一起。较低级别的基础模型通过输入整个数据集进行训练。然后将基本模型的输出用作训练元模型的特征。堆叠集成模型本质上通常是异构的。